CN112528477A - 道路场景仿真方法、设备、存储介质及装置 - Google Patents
道路场景仿真方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN112528477A CN112528477A CN202011397256.2A CN202011397256A CN112528477A CN 112528477 A CN112528477 A CN 112528477A CN 202011397256 A CN202011397256 A CN 202011397256A CN 112528477 A CN112528477 A CN 112528477A
- Authority
- CN
- China
- Prior art keywords
- information
- road
- scene
- image information
- marking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Processing Or Creating Images (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路场景仿真方法、设备、存储介质及装置,本发明通过获取道路图像信息和车载雷达信息;对所述道路图像信息进行回灌处理,获得目标图像信息;对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;根据所述标记信息进行道路场景仿真,获得仿真结果,由于是对道路图像信息进行回灌处理获得目标图像信息,并对车载雷达信息和目标图像信息进行标记处理得到标记信息,根据标记信息进行道路场景仿真,本发明相对于现有技术通过实物场景仿真进行自动驾驶试验,导致仿真精度低,本发明实现了通过场景回灌仿真,场景仿真准确度高,缩短开发周期。
Description
技术领域
本发明涉及汽车技术领域,尤其涉及一种道路场景仿真方法、设备、存储介质及装置。
背景技术
目前,随着汽车行业的发展对汽车安全性、舒适性以及功能性要求不断提高,自动驾驶测试是自动驾驶汽车开发的一个重要环节,针对自动驾驶测试方式主要包括:构建自动驾驶测试基地进行测试、在真实道路环境中进行测试,由于现有技术是通过真实道路环境中进行测试,成本高,风险高,测试效率低,导致车辆开发周期延长
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种道路场景仿真方法、设备、存储介质及装置,旨在解决现有技术中对于真实道路环境中进行测试,成本高,风险高的技术问题。
为实现上述目的,本发明提供一种道路场景仿真方法,所述道路场景仿真方法包括以下步骤:
获取道路图像信息和车载雷达信息;
对所述道路图像信息进行回灌处理,获得目标图像信息;
对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;
根据所述标记信息进行道路场景仿真,获得仿真结果。
优选地,所述对所述道路图像信息进行回灌处理,获得目标图像信息的步骤,包括:
对所述道路图像信息进行分类,获得分类结果;
根据所述分类结果确定待仿真图像信息;
根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息。
优选地,所述根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息的步骤,包括:
根据所述分类结果对所述待仿真图像信息进行回灌处理,获得处理结果;
根据所述处理结果确定所述待仿真图像信息对应的数据类型;
根据所述数据类型确定目标图像信息。
优选地,所述对所述车载雷达信息和所述目标图像信息进行标记处理,并获得标记信息的步骤,包括:
从所述车载雷达信息中提取交通参与物信息以及环境信息;
从所述目标图像信息中提取道路特征信息;
对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息。
优选地,所述对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息的步骤,包括:
从所述道路特征信息中提取道路类型;
根据预设模型对对所述交通参与物信息、所述环境信息及所述道路类型进行匹配,获得匹配结果;
对所述匹配结果进行标记处理,获得标记信息。
优选地,所述根据所述标记信息进行场景仿真,获得仿真结果的步骤,包括:
根据所述标记信息确定场景融合度信息;
根据预设优化模型对所述场景融合度信息进行优化,剔除不满足预设条件的场景信息,并获得目标标记信息;
根据所述目标标记信息进行场景仿真,获得仿真结果。
优选地,所述根据所述标记信息确定场景融合信息的步骤,包括:
从所述目标标记信息提取待仿真场景数据;
根据所述待仿真场景数据确定待仿真场景数据包含的静态融合信息和动态融合信息;
根据所述静态融合信息和所述动态融合信息确定场景融合信息。
此外,为实现上述目的,本发明还提出一种道路场景仿真设备,所述道路场景仿真设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的道路场景仿真程序,所述道路场景仿真程序配置为实现如上文所述的道路场景仿真的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有道路场景仿真程序,所述道路场景仿真程序被处理器执行时实现如上文所述的道路场景仿真方法的步骤。
此外,为实现上述目的,本发明还提出一种道路场景仿真装置,所述道路场景仿真装置包括:
信息获取模块,用于获取图像信息和车载雷达信息;
信息回灌模块,用于对所述图像信息进行回灌处理,获得目标图像信息;
信息标记模块,用于对所述车载雷达信息和所述目标图像信息进行标记处理,并获得标记信息;
场景仿真模块,用于根据所述标记信息进行场景仿真,获得仿真结果。
本发明通过获取道路图像信息以及车载雷达信息;对所述道路图像信息进行回灌处理,获得目标图像信息;对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;根据所述标记信息进行道路场景仿真,获得仿真结果,由于是对道路图像信息进行回灌处理获得目标图像信息,并对车载雷达信息和目标图像信息进行标记处理得到标记信息,根据标记信息进行道路场景仿真,本发明相对于现有技术通过实物场景仿真进行自动驾驶试验,导致仿真精度低,本发明实现了通过场景回灌仿真,场景仿真准确度高,缩短开发周期。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的道路场景仿真设备的结构示意图;
图2为本发明道路场景仿真方法第一实施例的流程示意图;
图3为本发明道路场景仿真方法第二实施例的流程示意图;
图4为本发明道路场景仿真方法第三实施例的流程示意图;
图5为本发明道路场景仿真装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的道路场景仿真设备结构示意图。
如图1所示,该道路场景仿真设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对道路场景仿真设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及道路场景仿真程序。
在图1所示的道路场景仿真设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述道路场景仿真设备通过处理器1001调用存储器1005中存储的道路场景仿真程序,并执行本发明实施例提供的道路场景仿真方法。
基于上述硬件结构,提出本发明道路场景仿真方法的实施例。
参照图2,图2为本发明道路场景仿真方法第一实施例的流程示意图,提出本发明道路场景仿真方法第一实施例。
在第一实施例中,所述道路场景仿真方法包括以下步骤:
步骤S10:获取道路图像信息和车载雷达信息。
需说明的是,本实施例的执行主体可以是具有道路场景仿真功能的设备,该设备可以是车载电脑、平板电脑、手机、笔记本等设备,该实施例以车载电脑为说明,本实施例对此不做限制,在本实施例以及下述各实施例中以车载电脑为例对本发明道路场景仿真方法进行说明。
应理解的是,道路图像信息可以是路面影像信息,可以由车载摄像头拍摄的图像信息。车载摄像头可以是前视相机。
可理解的是,车载雷达信息可以是车载雷达对静态物体和动态物体的识别信息。例如:试验车辆可以通过车载雷达对车身周围的行驶车辆、道路旁的树木及路上的行人进行识别产生的信息。
具体实现中,车载电脑在进行道路场景仿真时,可以从数据库种历史数据获取道路图像信息和车载雷达信息,也可以根据测试车辆实时获取道路图像信息和车载雷达信息。
步骤S20:对所述道路图像信息进行回灌处理,获得目标图像信息。
需说明的是,回灌处理可以是车载摄像头,如:前视相机,采集到道路上的场景数据时,通过回灌板处理成可供车载电脑仿真使用的数据类型对应的场景数据,例如:根据车载摄像头采集的道路信息、行人信息及交通标识牌信息,将道路信息、行人信息及交通标识牌信息通过回灌板处理成仿真数据类型对应的数据信息。
可理解的是,在对道路场景仿真时,可以通过回灌板将采集到的数据重复输入到车载电脑。
应理解的是,对所述道路图像信息进行回灌处理时,筛选出场景仿真所需的数据类型对应的道路图像信息。
具体实现中,车载电脑在获取到车载摄像头拍摄的道路图像信息时,通过回灌板对对所述道路图像信息进行回灌处理,获得场景仿真所需的数据类型对应的目标图像信息。
步骤S30:对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息。
需说明的是,标记处理可以是指对车载雷达信息和目标图像信息对应的节点信息进行标记,获得标记信息。例如:根据车载雷达信息中包含的车身周围的行驶车辆信息以及目标图像信息中包含的车辆信息进行标记,以获得标记信息。
可理解的是,所述标记处理可以根据车载雷达信息和所述目标图像信息对应的时间信息进行标记,例如:将同一时刻车载雷达信息和目标图像信息进行标记,以获得标记信息。
具体实现中,车载电脑可以根据车载雷达信息和目标图像信息对应的时刻,进行标记,以获得标记信息。
步骤S40:根据所述标记信息进行道路场景仿真,获得仿真结果。
需说明的是,道路场景仿真可以是对不同公路场景进行仿真。
具体实现中,根据标记信息中包含的车载雷达信息和目标图像信息通过仿真台架进行仿真,获得仿真结果。
本施例通过获取道路图像信息和车载雷达信息;对所述道路图像信息进行回灌处理,获得目标图像信息;对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;根据所述标记信息进行道路场景仿真,获得仿真结果,由于是对道路图像信息进行回灌处理获得目标图像信息,并对车载雷达信息和目标图像信息进行标记处理得到标记信息,根据标记信息进行道路场景仿真,本实施例相对于现有技术通过实物场景仿真进行自动驾驶试验,导致仿真精度低,本实施例实现了通过场景回灌仿真,场景仿真准确度高,缩短开发周期。
参照图3,图3为本发明道路场景仿真方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明道路场景仿真方法的第二实施例。
在本实施例中,所述步骤S20,包括:
步骤S201:对所述道路图像信息进行分类,获得分类结果。
需说明的是,所说分类结果可以是根据道路图像信息中包含的道路类型进行分类所产生的结果。
具体实现中,根据摄像头采集的场景数据确定道路图像信息,根据图像信息确定试验道路类型,所说试验道路类型可以是高速公路、城市道路及乡村小路等类型。
步骤S202:根据所述分类结果确定待仿真图像信息。
需说明的是,待仿真图像信息可以是需要进行虚拟场景仿真所需要的图像信息。
具体实现中,根据分类结果确定待仿真图像信息,例如:在所述分类结果为试验道路类型为高速公路时,从道路图像信息中提取高速公路对应的图像信息,将高速公路对应的图像信息作为待仿真图像信息。
步骤S203:根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息。
具体实现中,根据分类结果对所述待仿真图像进行回灌处理,例如:在待仿真图像信息为高速公路对应的图像信息时,将高速公路对应的图像信息重复输入到回灌板中进行回灌处理,以获得精确地目标图像信息。
进一步地,所述根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息的步骤,包括:根据所述分类结果对所述待仿真图像信息进行回灌处理,获得处理结果;根据所述处理结果确定所述待仿真图像信息对应的数据类型;根据所述数据类型确定目标图像信息。
需说明的是,处理结果可以是将待仿真图像信息进行回灌处理后获得的信息,例如:将待仿真图像信息输入到回灌板中,通过回灌板对所述待仿真图像进行重复回灌处理,筛选出所需数据类型对应的待仿真图像信息。
可理解的是,数据类型可以按照颜色和灰度将待仿真图像信息进行分类,例如:可以将待仿真图像分为二值图像、灰度图像、索引图像及真彩色RGB图像。
具体实现中,车载电脑可以根据试验道路类型将道路图像信息进行分类,获得对应的待仿真图像信息,并通过回灌板将待仿真图像信息重复回灌处理,筛选出所需数据类型对应的待仿真图像信息。
在本实施中,所述步骤S30,包括:
步骤S301:从所述车载雷达信息中提取交通参与物信息以及环境信息。
需说明的是,交通参与物信息可以是包含试验车辆车身周围的车辆信息、行人信息,如:站立的人,行走的人,还包含红绿灯信息、路面障碍物等信息。
可理解的是,、境信息可以是它通过车载雷达获取的天气信息,如:温度、湿度、风速、天气情况等信息。
具体实现中,车辆信息可以包含:自身试验车辆的车速信息、自身车辆周围车辆的车速信息及车辆之间的相对距离。车载电脑可以从车载雷达中提取交通参与物信息以及环境信息。
步骤S302:从所述目标图像信息中提取道路特征信息。
需说明的是,道路特征信息可以是包含道路等级、路幅宽度、路面纹理,通行能力以及地形类型等信息。
步骤S303:对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息。
具体实现中,车载电脑对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息。
进一步地,所述对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息的步骤,包括:从所述道路特征信息中提取道路纹理特征;根据预设模型对所述交通参与物信息、所述环境信息及所述道路纹理特征进行匹配,获得匹配结果;对所述匹配结果进行标记处理,获得标记信息。
需说明的是,道路纹理特征可以包含路面分形纹理特征,路面分形纹理特征可以根据车载雷达的反射波对应的波动所确定,例如:反射波波动越剧烈,对应的道路纹理越不均匀。反射波的最高峰值出现的次数多余最小峰值出现的次数,即路面纹理的尖锐程度越高,即路面纹理越粗糙。
可理解的是,根据不同的道路特征信息可以通过车载雷达信息中包含的反射波信息所确定。在对道路路面进行仿真时,可以通过车载雷达信息中包含的反射波信息进行仿真。
应理解的是,所述预设模型可以是将所述交通参与物信息、所述环境信息及所述道路纹理特征进行匹配的模型。
具体实现中,车载电脑可以通过从道路特征信息中提取道路纹理特征,在所述试验道路类型为沥青道路时,可以通过道路纹理特征对其路面的粗糙度实现更加精确地仿真,根据预设模型对所述交通参与物信息、所述环境信息及所述道路纹理特征进行匹配,获得匹配结果;对所述匹配结果进行标记处理,获得标记信息。例如:在试验道路类型为沥青道路的城市公路上,所述交通参与物有除了自身车辆以外的货车、电动车、自行车及行人等,所述环境信息可以是下雨天、下雪天、下冰雹、晴天等,车载电脑可以通过对不同场景对应的交通参与物信息、所述环境信息及所述道路纹理特征进行匹配,获取更为精确的标记信息。
本施例通过获取道路图像信息和车载雷达信息;对所述道路图像信息进行分类,获得分类结果;根据所述分类结果确定待仿真图像信息;根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息;对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;根据所述标记信息进行道路场景仿真,获得仿真结果,由于是对道路图像信息进行回灌处理获得目标图像信息,并对车载雷达信息和目标图像信息进行标记处理得到标记信息,根据标记信息进行道路场景仿真,本实施例相对于现有技术通过实物场景仿真进行自动驾驶试验,导致仿真精度低,本实施例实现了通过场景回灌仿真,场景仿真准确度高,缩短开发周期。
参照图4,图4为本发明道路场景仿真方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明道路场景仿真方法的第三实施例。
在第三实施例中,所述步骤S40,包括:
步骤S401:根据所述标记信息确定场景融合度信息。
需说明的是,场景融合度信息可以是根据标记信息中包含的道路特征信、交通参与物信息及环境信息中包含的数据进行匹配融合所得到的场景信息。
具体实现中,车载电脑根据标记信息中包含的道路特征信息、交通参与物信息及环境信息中包含的数据进行匹配融合所得到的场景信息。
步骤S402:根据预设优化模型对所述场景融合信息进行优化,剔除不满足预设条件的场景信息,并获得目标标记信息。
需说明的是,预设优化模型可以是基于非多尺度变换的图像融合方法对应的模型;例如:根据道路特征信息、交通参与物信息及环境信息对应的数据特征点基于非多尺度变换的图像融合方法进行匹配,假设三者对应的特征点集分别是A、B、C,根据A、B、C特征点集构建到一个融合场景图像,对融合场景图像进行灰度增强或减弱,以使融合场景图像更加清晰准确。
可理解的是,预设条件可以是根据加权平均方法将原场景融合信息对应的像素的灰度值进行加权平均,生成新的场景信息,提高场景融合信息的信噪比。
应理解的是,目标标记信息可以是根据场景融合信息对应的特征点进行标记的信息,场景融合信息中包含道路特征信息、交通参与物信息及环境信息,例如:在下雨天,在对道路类型为砂砾路进行场景仿真时,根据环境信息中的风速信息,交通参与物中的车辆信息和道路特征信息中包含的道路纹理特征对应的粗糙度,由于每个时间点每个路段对应的风速、道路粗糙度都不同,即根据不同的信息进行标记,根据并获取目标标记信息。
具体实现中,车载电脑根据标记信息中包含的道路特征信息、交通参与物信息及环境信息通过逻辑滤波算法将道路特征信息、交通参与物信息及环境信息对应的特征点数据合成为一个数据集,并通过贝叶斯最优化算法对场景融合信息中图像融合度低的场景图像剔除掉,获得目标标记信息。
步骤S403:根据所述目标标记信息进行场景仿真,获得仿真结果。
需说明的是,场景仿真可以是根据目标标记信息中包含的环境信息、交通参与物信息以及道路特征信息进行仿真,并获得仿真结果。
进一步地,所述根据所述标记信息确定场景融合度信息的步骤,包括:从所述目标标记信息提取待仿真场景数据;根据所述待仿真场景数据确定待仿真场景数据包含的静态融合信息和动态融合信息;根据所述静态融合信息和所述动态融合信息确定场景融合度信息。
需说明的是,待仿真场景数据可以是需要进道路场景仿真所需的数据。
可理解的是,静态融合信息可以是待仿真场景数据中历史仿真场景融合信息,动态融合信息可以是待仿真场景数据中的实时仿真场景融合信息。
具体实现中,动态融合信息可以通过使用在线的噪声深度地图,输出实时移动场景的密集重建信息,根据重建信息对应的活动帧计算平均值,以获得每一帧数据信息,从而进行标定,获得场景融合信息。
本实施例中通过通过获取道路图像信息和车载雷达信息;对所述道路图像信息进行分类,获得分类结果;根据所述分类结果确定待仿真图像信息;根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息;对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;根据所述标记信息确定场景融合信息;根据预设优化模型对所述场景融合信息进行优化,剔除不满足预设条件的场景信息,并获得目标标记信息;根据所述目标标记信息进行场景仿真,获得仿真结果。由于是对道路图像信息进行回灌处理获得目标图像信息,并对车载雷达信息和目标图像信息进行标记处理得到标记信息,根据标记信息进行道路场景仿真,本实施例相对于现有技术通过实物场景仿真进行自动驾驶试验,导致仿真精度低,本实施例实现了通过场景回灌仿真,场景仿真准确度高,缩短开发周期。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有道路场景仿真程序,所述道路场景仿真程序被处理器执行时实现如上文所述的道路场景仿真方法的步骤。
参照图5,图5为本发明道路场景仿真装置第一实施例的结构框图。
如图5所示,本发明实施例提出的道路场景仿真装置包括:
信息获取模块10,用于获取图像信息和车载雷达信息;
信息回灌模块20,用于对所述图像信息进行回灌处理,获得目标图像信息;
信息标记模块30,用于对所述车载雷达信息和所述目标图像信息进行标记处理,并获得标记信息;
场景仿真模块40,用于根据所述标记信息进行场景仿真,获得仿真结果。
本施例通过获取道路图像信息和车载雷达信息;对所述道路图像信息进行回灌处理,获得目标图像信息;对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;根据所述标记信息进行道路场景仿真,获得仿真结果,由于是对道路图像信息进行回灌处理获得目标图像信息,并对车载雷达信息和目标图像信息进行标记处理得到标记信息,根据标记信息进行道路场景仿真,本实施例相对于现有技术通过实物场景仿真进行自动驾驶试验,导致仿真精度低,本实施例实现了通过场景回灌仿真,场景仿真准确度高,缩短开发周期。
进一步地,所述信息回灌模块20还用于对所述道路图像信息进行分类,获得分类结果;根据所述分类结果确定待仿真图像信息;根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息。
进一步地,所述信息回灌模块20还用于根据所述分类结果对所述待仿真图像信息进行回灌处理,获得处理结果;根据所述处理结果确定所述待仿真图像信息对应的数据类型;根据所述数据类型确定目标图像信息。
进一步地,所述信息标记模块40还用于从所述车载雷达信息中提取交通参与物信息以及环境信息;从所述目标图像信息中提取道路特征信息;对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息。
进一步地,所述信息标记模块30还用于从所述道路特征信息中提取道路类型;根据预设模型对对所述交通参与物信息、所述环境信息及所述道路类型进行匹配,获得匹配结果;对所述匹配结果进行标记处理,获得标记信息。
进一步地,所述场景仿真模块40还用于根据所述标记信息确定场景融合度信息;根据预设优化模型对所述场景融合度信息进行优化,剔除不满足预设条件的场景信息,并获得目标标记信息;根据所述目标标记信息进行场景仿真,获得仿真结果。
进一步地,所述场景仿真模块40还用于从所述目标标记信息提取待仿真场景数据;根据所述待仿真场景数据确定待仿真场景数据包含的静态融合信息和动态融合信息;根据所述静态融合信息和所述动态融合信息确定场景融合度信息。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有道路场景仿真程序,所述道路场景仿真程序被处理器执行时实现如上文所述的道路场景仿真方法的步骤。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的道路场景仿真方法,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种道路场景仿真方法,其特征在于,所述道路场景仿真方法,包括以下步骤:
获取道路图像信息和车载雷达信息;
对所述道路图像信息进行回灌处理,获得目标图像信息;
对所述车载雷达信息和所述目标图像信息进行标记处理,获得标记信息;
根据所述标记信息进行道路场景仿真,获得仿真结果。
2.如权利要求1所述的场景仿真方法,其特征在于,所述对所述道路图像信息进行回灌处理,获得目标图像信息的步骤,包括:
对所述道路图像信息进行分类,获得分类结果;
根据所述分类结果确定待仿真图像信息;
根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息。
3.如权利要求2所述的场景仿真方法,其特征在于,所述根据所述分类结果对所述待仿真图像信息进行回灌处理,获得目标图像信息的步骤,包括:
根据所述分类结果对所述待仿真图像信息进行回灌处理,获得处理结果;
根据所述处理结果确定所述待仿真图像信息对应的数据类型;
根据所述数据类型确定目标图像信息。
4.如权利要求1所述的场景仿真方法,其特征在于,所述对所述车载雷达信息和所述目标图像信息进行标记处理,并获得标记信息的步骤,包括:
从所述车载雷达信息中提取交通参与物信息以及环境信息;
从所述目标图像信息中提取道路特征信息;
对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息。
5.如权利要求4所述的场景仿真方法,其特征在于,所述对所述交通参与物信息、所述环境信息及所述道路特征信息进行标记处理,并获得标记信息的步骤,包括:
从所述道路特征信息中提取道路类型;
根据预设模型对对所述交通参与物信息、所述环境信息及所述道路类型进行匹配,获得匹配结果;
对所述匹配结果进行标记处理,获得标记信息。
6.如权利要求1至5任一项所述的场景仿真方法,其特征在于,所述根据所述标记信息进行场景仿真,获得仿真结果的步骤,包括:
根据所述标记信息确定场景融合信息;
根据预设优化模型对所述场景融合信息进行优化,剔除不满足预设条件的场景信息,并获得目标标记信息;
根据所述目标标记信息进行场景仿真,获得仿真结果。
7.如权利要求6所述的场景仿真方法,其特征在于,所述根据所述标记信息确定场景融合信息的步骤,包括:
从所述目标标记信息提取待仿真场景数据;
根据所述待仿真场景数据确定待仿真场景数据包含的静态融合信息和动态融合信息;
根据所述静态融合信息和所述动态融合信息确定场景融合信息。
8.一种场景仿真设备,其特征在于,所述场景仿真设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的场景仿真程序,所述场景仿真程序被所述处理器执行时实现如权利要求1至7中任一项所述的场景仿真方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有场景仿真程序,所述场景仿真程序被处理器执行时实现如权利要求1至7中任一项所述的场景仿真方法的步骤。
10.一种场景仿真装置,其特征在于,所述场景仿真装置包括:
信息获取模块,用于获取图像信息和车载雷达信息;
信息回灌模块,用于对所述图像信息进行回灌处理,获得目标图像信息;
信息标记模块,用于对所述车载雷达信息和所述目标图像信息进行标记处理,并获得标记信息;
场景仿真模块,用于根据所述标记信息进行场景仿真,获得仿真结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397256.2A CN112528477B (zh) | 2020-12-03 | 2020-12-03 | 道路场景仿真方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397256.2A CN112528477B (zh) | 2020-12-03 | 2020-12-03 | 道路场景仿真方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528477A true CN112528477A (zh) | 2021-03-19 |
CN112528477B CN112528477B (zh) | 2024-03-08 |
Family
ID=74997295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011397256.2A Active CN112528477B (zh) | 2020-12-03 | 2020-12-03 | 道路场景仿真方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528477B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160454A (zh) * | 2021-05-31 | 2021-07-23 | 重庆长安汽车股份有限公司 | 自动驾驶车辆历史传感器数据回灌方法及系统 |
CN113868873A (zh) * | 2021-09-30 | 2021-12-31 | 重庆长安汽车股份有限公司 | 一种基于数据回注的自动驾驶仿真场景扩展方法及系统 |
CN115290104A (zh) * | 2022-07-14 | 2022-11-04 | 襄阳达安汽车检测中心有限公司 | 仿真地图生成方法、装置、设备及可读存储介质 |
CN116167252A (zh) * | 2023-04-25 | 2023-05-26 | 小米汽车科技有限公司 | 雷达配置信息的确定方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055383A1 (en) * | 2014-08-20 | 2016-02-25 | Denso Corporation | Lane boundary lane recognition device and computer-readable storage medium storing program for recognizing lane boundary lines on roadway |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN109657355A (zh) * | 2018-12-20 | 2019-04-19 | 安徽江淮汽车集团股份有限公司 | 一种车辆道路虚拟场景的仿真方法及系统 |
CN109739216A (zh) * | 2019-01-25 | 2019-05-10 | 深圳普思英察科技有限公司 | 自动驾驶系统实际路测的测试方法及系统 |
US20190394427A1 (en) * | 2018-06-20 | 2019-12-26 | Chang'an University | System for perceiving and co-processing intelligent connected vehicle-oriented scene image data |
KR20190143158A (ko) * | 2018-06-20 | 2019-12-30 | 이우용 | 자율주행 자동차 영상인식 시스템 |
CN110795819A (zh) * | 2019-09-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN111123920A (zh) * | 2019-12-10 | 2020-05-08 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶仿真测试场景生成方法和装置 |
CN111199087A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 场景识别方法和装置 |
CN111611711A (zh) * | 2020-05-21 | 2020-09-01 | 北京百度网讯科技有限公司 | 自动驾驶数据处理方法、装置及电子设备 |
CN111897305A (zh) * | 2020-06-02 | 2020-11-06 | 浙江吉利汽车研究院有限公司 | 一种基于自动驾驶的数据处理方法、装置、设备及介质 |
-
2020
- 2020-12-03 CN CN202011397256.2A patent/CN112528477B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055383A1 (en) * | 2014-08-20 | 2016-02-25 | Denso Corporation | Lane boundary lane recognition device and computer-readable storage medium storing program for recognizing lane boundary lines on roadway |
US20190394427A1 (en) * | 2018-06-20 | 2019-12-26 | Chang'an University | System for perceiving and co-processing intelligent connected vehicle-oriented scene image data |
KR20190143158A (ko) * | 2018-06-20 | 2019-12-30 | 이우용 | 자율주행 자동차 영상인식 시스템 |
CN111199087A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 场景识别方法和装置 |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN109657355A (zh) * | 2018-12-20 | 2019-04-19 | 安徽江淮汽车集团股份有限公司 | 一种车辆道路虚拟场景的仿真方法及系统 |
CN109739216A (zh) * | 2019-01-25 | 2019-05-10 | 深圳普思英察科技有限公司 | 自动驾驶系统实际路测的测试方法及系统 |
CN110795819A (zh) * | 2019-09-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN111123920A (zh) * | 2019-12-10 | 2020-05-08 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶仿真测试场景生成方法和装置 |
CN111611711A (zh) * | 2020-05-21 | 2020-09-01 | 北京百度网讯科技有限公司 | 自动驾驶数据处理方法、装置及电子设备 |
CN111897305A (zh) * | 2020-06-02 | 2020-11-06 | 浙江吉利汽车研究院有限公司 | 一种基于自动驾驶的数据处理方法、装置、设备及介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160454A (zh) * | 2021-05-31 | 2021-07-23 | 重庆长安汽车股份有限公司 | 自动驾驶车辆历史传感器数据回灌方法及系统 |
CN113868873A (zh) * | 2021-09-30 | 2021-12-31 | 重庆长安汽车股份有限公司 | 一种基于数据回注的自动驾驶仿真场景扩展方法及系统 |
CN115290104A (zh) * | 2022-07-14 | 2022-11-04 | 襄阳达安汽车检测中心有限公司 | 仿真地图生成方法、装置、设备及可读存储介质 |
CN116167252A (zh) * | 2023-04-25 | 2023-05-26 | 小米汽车科技有限公司 | 雷达配置信息的确定方法、装置、设备及存储介质 |
CN116167252B (zh) * | 2023-04-25 | 2024-01-30 | 小米汽车科技有限公司 | 雷达配置信息的确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112528477B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528477B (zh) | 道路场景仿真方法、设备、存储介质及装置 | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
US8229162B2 (en) | Graphic recognition device, graphic recognition method, and graphic recognition program | |
Gupta et al. | Detection and localization of potholes in thermal images using deep neural networks | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN109697397B (zh) | 一种目标检测方法及装置 | |
CN111179152A (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN112997211A (zh) | 数据分发系统、传感器装置和服务器 | |
CN111274926A (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
CN114581886A (zh) | 结合语义分割和频域分析的能见度判别方法、装置及介质 | |
CN114627073A (zh) | 地形识别方法、装置、计算机设备和存储介质 | |
CN104268513A (zh) | 道路引导数据的获取方法及装置 | |
Huang et al. | Deep learning–based autonomous road condition assessment leveraging inexpensive rgb and depth sensors and heterogeneous data fusion: Pothole detection and quantification | |
CN114760330A (zh) | 用于车联网的数据传输方法、装置、存储介质和系统 | |
CN115857685A (zh) | 一种感知算法数据闭环方法及相关装置 | |
US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN116430404A (zh) | 相对位置的确定方法和装置、存储介质及电子装置 | |
CN115618602A (zh) | 一种车道级场景仿真方法及系统 | |
CN115222610A (zh) | 图像方法、装置、电子设备及存储介质 | |
CN112686125A (zh) | 车辆类型的确定方法及装置、存储介质、电子装置 | |
CN112884220A (zh) | 基于关联规则的碰撞预测方法、装置、设备及存储介质 | |
CN116106839B (zh) | 车载雷达可靠性检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |